YOLO入门day3

https://copyfuture.com/blogs-details/20201228215726313xs630v61rromyfx
目标检测提升精度，有一些改进的思考

http://www-quic.zhihu.com/question/456600260/answer/1855137832

对上次目标检测的结果进行学习和分析
1.confusion_matrix.png 混淆矩阵

矩阵的每一行代表实际的类别，而每一列代表预测的类别，上图为例，只区分0或者1，行代表真实的类别，列代表预测的类别，白话一点的意思差不多就是，左上角和右下角属于真实类别和预测类别相吻合的实例区域，而其他区域都出现了预测错误的实例，从这个角度来看结果还是可以的？

同样以第一行为例，真实的标签是猫猫，但是在这十个猫猫中有一个被误分类为狗，一个被误分类为羊，我们就可以很容易的计算出猫的分类正确率为80%，也可以很直观的看出有那些类别容易存在误识别。其它行的结果也以此类推，就不再赘述。

学习:https://zhuanlan.zhihu.com/p/443499860
2.F1_curve.png

https://blog.csdn.net/thy0000/article/details/125281995
F1_Score：数学定义为 F1分数（F1-Score），又称为平衡F分数（Balanced Score），它被定义为正确率和召回率的调和平均数。在 β=1 的情况，F1-Score的取值范围为0到1，1是最好，0是最差。其计算公式如下图所示：

但是自己这个图还是没怎么看懂

3. labels.jpg
   第一个图 classes:每个类别的数据量

第二个图 labels：标签

第三个图 center xy

第四个图 labels 标签的长和宽

第一张图：只有一个类别
第二张图:标签，大概能看得出来可能就是我手打的那些标签框框
第三张图:center xy
第四张图:标签的长和宽

4. P_curve.png
   精确率Precision和置信度confidence的关系图
   
   可以看到这个图和F1_curve.png感觉很相似，意思还是不太明白
5. PR_curve.png
   
   PR曲线中的P代表的是Precision（精准率），R代表的是Recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。PR曲线下围成的面积即AP，所有类别AP平均值即map。

如果PR图的其中的一个曲线A完全包住另一个学习器的曲线B，则可断言A的性能优于B，当A和B发生交叉时，可以根据曲线下方的面积大小来进行比较。一般训练结果主要观察精度和召回率波动情况（波动不是很大则训练效果较好）。
Precision（精准率）表示分类器检测为正确正样本占所有预测为正样本的百分比，即在当前遍历的预测框中，检测到正确目标预测框所占的比例。
Recall（召回率）表示分类器检测为正确正样本占所有正样本的百分比，即在所有的真值边界框中，检测到正确正样本边界框所占的比例。

Precision和Recall一般是一对矛盾的性能度量指标；
提高Precision 提高二分类器预测正例门槛，使得二分类器预测的正例尽可能是真实正例；
提高Recall 降低二分类器预测正例门槛，使得二分类器尽可能将真实的正例挑选

显然在上面这个情况下基本不存在面积差别，也就是说结果比较一致，其他的，还不是很懂
6. R_curve.png
召回率Recall和置信度confidence之间的关系
7. results.png

（1）yolov3与yolov5的损失函数可以分为三部分：类别损失函数（Classification loss）、置信度损失函数（Confidence loss）和位置损失函数（Localization loss）

Box_loss：Box为CIoU损失函数均值，越小方框越准；
Objectness_loss：Objectness为目标检测损失均值，越小目标检测越准；
Classification_loss：Classification为分类损失均值，越小分类越准；

val Box_loss: 验证集bounding box损失;
val Objectness_loss：验证集目标检测loss均值;
val classification_loss：验证集分类loss均值;

（2）
Precision：精确率随训练次数的变化曲线
Recall：召回率随训练次数的变化曲线

（3）AP值是衡量目标检测模型分类器性能优劣的重要评估指标，AP值越大则分类器性能越好，越小则分类器性能越差；AP值的大小等于P-R曲线与坐标轴围成区域的面积。
mAP表示所有标签类别AP值的平均值，mAP值越大，说明模型性能越好。

mAP@0.5：表示在IoU阈值为0.5时的mAP值变化曲线
mAP@0.5:0.95：表示在IoU阈值以0.05的步长从0.5到0.95变化时的mAP值变化曲线，即IoU阈值取0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95时的平均mAP。

基本上就是训练epoch的各指标的变化
————————————————
以上是基于196张图片的训练结果，后期又追加了八十张图，270+张图的训练效果事实上更差，所以提升的正确方向应该是保持正确的图片数目，以及把多个目标在一个图片上导致矩形区域重叠面积过大的图片信息删除，或许是提高精确度的正确方向。在196张图片的训练中，没有严重的过拟合现象

记录一下gitee上传的坑
git push -f origin master
遇到远程和本地仓库不一致的情况强制覆盖上传